基于生存分析法的P2P网贷提前偿付风险影响因素研究

吴庆田　刘妍

内容提要：本文基于美国P2P网贷平台Lending Club公司的借贷数据，从宏观和微观两个层面构建影响P2P网贷提前偿付风险的指标，并运用生存分析法建立COX模型，对模型的预测能力进行评价。结果表明，COX模型的风险预测能力良好，提前偿付风险不仅受借款人特征、贷款特征等微观因素的影响，还受外部宏观经济环境的影响，其中受市场利率的影响最大。

关键词：P2P网贷；提前偿付风险；生存分析法

中图分类号：F830文献标识码：B文章编号：1001-148X（2017）01-0150-07

一、引言

基于互联网而迅速发展起来的P2P网贷是一种实现资金直接在借贷双方合理配置的新型融资模式，其以门槛低、手续简单、普惠性高等传统金融机构不可比拟的优势，逐渐成为大众投融资的热捧对象。据网贷之家统计，截至2016年一季度，中国P2P网贷行业历史累计成交量达到了17 45027亿元，其中2016年一季度累计成交量达到3 79806亿元，是2015年同期累计成交量的32倍。

然而，在如此火爆的景象背后，蕴藏的危机不应小觑，除了问题平台、违约借贷标的损害投资人的利益之外，借款人提前偿付贷款不仅会对投资人的投资收益产生负面影响，還将使P2P网贷平台的营业收入减少，从而影响其可持续经营。此外，伴随P2P网贷兴起的P2P网贷基金以类资产证券化的债权转让模式进行运作，在该种模式下，提前偿付行为的存在将使基金产品的未来现金流量无法确定，从而影响其实际收益率与定价水平。据不完全统计，截至2015年末，美国P2P网贷行业领军者Lending Club借贷项目的违约率为6%，提前偿付率高达22%。鉴于提前偿付风险对P2P网贷多方主体的不利影响以及提前偿付率的高企，对P2P网贷提前偿付风险的研究具有重大的现实意义。本文拟在相关理论分析的基础上，利用Lending Club公司的借贷数据，从宏观和微观两个层面来研究影响P2P网贷提前偿付风险的因素，以期为投资人和P2P网贷平台应对该种风险提出有效的对策建议。

二、相关文献回顾

作为金融创新产物的P2P网贷，以高速的发展势头吸引了学术界的广泛关注，众多国内外学者对其进行了大量研究，主要分别从P2P网贷的发展、模式、借贷行为、风险等四个方面开展研究。

从P2P网贷风险领域的研究来看，国内外学者更关注来源于借款人的违约风险，主要以微观角度从软信息、硬信息进行研究。软信息方面，学者们重点研究了社会资本信息对违约风险的影响，发现朋友关系、小组关系等社会资本能降低违约风险，如Freedman & Jin（2008）、Krumme & Herrero（2009）、Lin et al.（2013）、缪莲英和陈金龙（2014）、Everett（2015）等[1-5]。然而，有少数学者研究认为某些社会资本与贷款违约率并无必然联系，如Greiner & Wang（2009）、Freedman & Jin（2014）等[6-7]。另外，学者们也研究了借款人外貌、借款表述等其他软信息与违约风险的关系，如Herzenstein et al（2011）、Duarte et al（2012）、Gao & Lin（2015）[8-10]。硬信息方面，学者们研究了贷款特征、借款人特征等对违约风险的影响与识别，如Puro et al（2010）、王会娟和廖理（2014）、Andrew et al（2015）、Emekter et al（2015）、廖理等（2015）、肖曼君等（2015）[11-16]。此外，还有学者对识别P2P网贷中“好”、“坏”客户的方法进行了比较研究，如Malekipirbazari & Aksakalli（2015）[17]。

对投资人和P2P网贷平台来说，尽管违约风险和提前偿付风险都是影响投资人投资收益、P2P网贷基金产品定价的主要因素，但是学术界对于贷款违约风险的研究更加丰富，从传统的商业银行贷款到新兴的P2P网贷均有涉猎。相比之下，国内外学者对P2P网贷提前偿付风险的研究基本处于空白，关于贷款提前偿付风险的研究大多集中在商业银行贷款领域，主要有以下两个方面：一方面，对提前偿付风险影响因素的研究，主要有借款人特征、贷款特征、房产特征、区域特征等，如Danis & Pennington-Cross（2008）、Tsai et al（2009）、Varli & Yildirim（2015）[18-20]。另一方面，对提前偿付风险相关模型方法的研究，有期权分析法如Deng & Quigley（2012）、Steinbuks（2015）[21-22]，博弈分析法如傅强和张宜松（2004）、陈颖和屠梅曾（2007）[23-24]，因子分析和判别分析法如丁正斌（2012）、马钦玉（2015）[25-26]，生存分析法如Tiwari（2000）、Ho & Su（2006）、蔡明超和费一文（2007）[27-29]。

综上，目前国内外学者对P2P网贷风险的研究大多集中于以微观角度研究违约风险问题，较少从宏观角度研究P2P网贷风险，并且鲜有对P2P网贷提前偿付风险的研究。此外，研究提前偿付风险的方法多种多样，各有利弊，其中，生存分析法将正常还款和违约贷款等数据纳入研究样本，无需对数据进行配对，并且既考虑了影响风险的特定因素，还考虑了风险的历时效应，具有较大的优越性。因此，本文将利用生存分析法，从宏观和微观两个层面构建影响P2P网贷提前偿付风险的指标，建立COX模型，分析其对P2P网贷提前偿付风险的影响，并对该模型进行相关检验与预测能力评价。

三、理论分析

在P2P网贷中，来源于借款人的风险主要有两个，即提前偿付风险和违约风险。其中，提前偿付风险是指在贷款到期之前，借款人将贷款余额部分或全部提前偿还，从而给投资人造成利息损失的风险。针对部分提前偿付行为数据的难以获得与分辨，本文研究的提前偿付风险是对贷款余额一次性全部清偿的风险。

当借款人的收入在满足基本消费支出、债务支出、必要投资支出之外仍有闲置资金，或者借款人能以更低的资金成本获得资金的情况下，借款人才有可能作出提前偿付贷款的行为决策。因此，对借款人提前偿付行为的分析不仅应立足于借款人特征、贷款特征等微观视角，还应关注整个外部宏观经济环境变化引起的再融资机会、成本以及投资收益率变化对借款人还款行为决策的影响。首先，于借款人自身来说：第一，还款能力对提前偿付风险的影响。当借款人拥有丰厚的资金收入和少量的财务负担，并且财务状况稳定时，借款人的还款能力较强，提前偿付贷款的可能性大，提前偿付风险高。其中，借款人的财务负担又可以从两方面来看，一方面是借款人的绝对财务负担，即借款人债务负担的绝对额，如贷款金额；另一方面是借款人的相对财务负担，即借款人债务负担与其收入的比值，如债务收入比。第二，信用质量对提前偿付风险的影响。借款人的信用质量反映借款人的违约风险，低信用质量的借款人不仅可能不会提前偿付贷款，还可能发生逾期还款，甚至不还款的行为，高信用质量的借款人提前偿付贷款的可能性更大，提前偿付风险更高。第三，社会心理特征对提前偿付风险的影响。受我国传统文化的影响，借款人大多不愿背负债务，秉承“无债一身轻”的想法；另外，不同年龄阶段的借款人在生活观念上有所差异，年龄较长的借款人，生活态度更倾向于保持现状，预防性货币需求较高，导致提前偿付行为发生的可能性更小，提前偿付风险更低（Tiwari，2000）[27]。其次，于外部宏观经济环境来说：第一，宏观经济状况对提前偿付风险的影响。宏观经济状况越好，居民的可支配收入越高，不仅借款人自身的收入可能有提升，而且借款人通过市场再融资的机会变多，借新债还旧债的可能性变大，提前偿付风险增大。第二，货币政策对提前偿付风险的影響。作为理性经济人的借款人具有趋利避害的特征，总会选择最有利的融资方式，最大程度地降低资金成本。当货币政策趋于宽松，即市场利率大大低于贷款利率时，一方面，若借款人手中无多余资金，再融资成本和费用较低，借新债还旧债的可能性大，提前偿付风险高；另一方面，若借款人手中有多余资金，自由闲置资金的投资回报较低，利用闲置资金选择提前偿付贷款的可能性大，提前偿付风险高。此外，贷款期限即贷款的风险暴露时间也是影响借款人提前偿付贷款的重要因素，贷款的风险暴露时间在一定程度上反映提前偿付行为受未来不确定因素的影响，风险暴露时间越长，贷款受未来不确定性因素影响越大，风险事件发生的机会越大，即提前偿付风险越大。

四、实证分析

（一）数据来源、变量选取与赋值

本文随机抽取美国P2P网贷平台Lending Club2007年至2015年个人贷款的30万条数据，数据来源为Lending Club官方网站。在选取数据后，对数据进行清洗，删除含有缺失值、异常值的观测样本，最终得到277 140条数据作为研究样本，其中提前偿付率为2239%。为了保持原有的提前偿付比例和非提前偿付比例不变，对所建立的模型进行评价。本文以3：1的比例通过分层随机抽样的方法将研究样本分为训练样本集和测试样本集，其中，训练样本集包括207 855个观测样本，测试样本集包括69 285个观测样本。

本文将在贷款到期日之前已把贷款全部还清的状态视为提前偿付，赋值为1，违约、按时到期还款以及未到期贷款均赋值为0；定义提前偿付和按时到期还款的持续时间为贷款发放到全部还清的时间，违约贷款的持续时间为贷款发放到第一次违约的时间，未到期贷款的持续时间为贷款发放到随访截止的时间（随访截止时间为2016年2月）。本文在数据可获得性和重要性的基础上，根据上述理论分析，从微观、宏观两个层面，选取贷款金额、贷款期限、贷款利率、贷款评级、工作年限、房屋所有权、年收入、债务收入比等8个微观变量，借款人最后一期还款时的联邦基金利率、GDP实际增长率、居民可支配收入实际增长率等3个宏观变量，自变量的选取与赋值结果如表1。

（二）自变量描述性统计

由表1可以看出，本文选取的自变量既有连续变量，又有分类变量。分别对连续变量和分类变量进行描述性统计（见表2、表3）。相比非提前偿付贷款样本而言，提前偿付贷款样本中贷款金额、工作年限、债务收入比、联邦基金利率较低，GDP实际增长率、居民可支配收入实际增长率较高，期限短、贷款评级高（5-7）的贷款占比略多，拥有房屋的借款人占比较少。

（三）实证研究

1.变量的显著性检验

分别对连续变量进行曼-惠特尼U检验、分类变量进行卡方检验，结果显示所选解释变量在提前偿付与非提前偿付样本中具有显著性差异。

2.变量的相关性检验

如果自变量之间存在精确的相关关系，即存在共线性，会导致模型参数难以准确估计，因此本文对变量间的相关性进行检验，结果如表4所示。由于贷款利率与贷款评级的相关系数高达09，联邦基金利率与GDP实际增长率的相关系数达05，其他变量之间相关性不高，相关系数均小于05，本文采取剔除变量法，去除贷款利率、GDP实际增长率这两个变量，将余下的9个相关性不强的变量进行COX回归。

3.COX模型回归结果与分析

用贷款金额、贷款期限、贷款评级、工作年限、房屋所有权、年收入、债务收入比、联邦基金利率、居民可支配收入实际增长率作为自变量进行COX回归分析，结果如表5所示。所有变量在5%水平上显著，均进入模型，提前偿付风险COX回归方程如下：

由上述COX回归方程的形式可知，若β系数为正数，X为危险因子，X变量值越大，累积提前偿付风险率越高，更易发生提前偿付风险；反之，则X为保护因子，X变量值越大，累积提前偿付风险率越小，发生提前偿付风险的可能性越小。β系数绝对值的大小反映了该因素对累积提前偿付风险率影响的大小，β系数绝对值越大对累积提前偿付风险率影响越大。至此，可以得出：贷款评级、房屋所有权、年收入、居民可支配收入实际增长率为危险因子，贷款金额、贷款期限、工作年限、债务收入比、联邦基金利率为保护因子，工作年限对累积提前偿付风险率的影响最小，联邦基金利率对累积提前偿付风险率的影响最大。在借款人还款能力方面，借款人有房、收入高、贷款金额与债务收入比小时，借款人的还款能力越强，提前偿付风险越高，实证结果符合理论预期。在借款人信用质量方面，贷款评级是Lending Club平台在综合考量借款人信用得分、信用报告和贷款申请的风险评价指标的基础上作出的评价，一般来说，贷款评级越高，借款人的信用质量就越高，违约风险越小，相应地，提前偿付贷款的可能性越大，实证结果符合理论预期，Lending Club平台对于贷款的评级较为准确。在借款人的社会心理特征方面，工作年限较长的借款人，一般年龄较长，生活态度更倾向于保持现状，预防性货币需求较高，从而导致提前偿付行为发生的可能性更小，实证结果符合理论预期。此外，工作年限的β系数仅为-0004，对累积提前偿付风险率影响最小，其变动一单位，累积提前偿付风险率反向变动仅为0004倍，说明在有限的研究样本中，由借款人的社会心理特征引起的行为差异并不显著。在宏观经济状况方面，宏观经济状况向好，居民可支配收入增加，提前偿付风险增大，实证结果符合理论预期。在货币政策方面，与一成不变的高贷款利率相比，联邦基金利率降低将导致再融资成本与投资收益率下降，借款人倾向于选择再融资或放弃其他投资机会以提前偿付贷款，来达到降低资金成本目的，提前偿付风险将增大，实证结果符合理论预期。另外，联邦基金利率的β系数为-2744，对累积提前偿付风险率的影响最大，其变动一单位，累积提前偿付风险率反向变动高达0936倍，说明在资金来源渠道畅通的情况下，借款人能够审时度势，做出最利己的还款决策，利差导致的成本差异成为影响借款人提前偿付贷款行为决策的最主要因素。在贷款的风险暴露时间方面，贷款期限越长，越不容易发生提前偿付行为，说明较长期的贷款更稳定，实证结果不符合理论预期，可能的解释是，由于P2P网贷放款周期短，但贷款利率较高，大多数借款人只是将其用于满足临时资金周转的需要，计划将来提前偿付贷款，加之长贷款期限的贷款利率较高，理性的借款人将选择短期限的贷款，以在提前偿付贷款之前降低利息成本。

4.COX模型检验

（1）比例风险假设检验。COX模型假设检验的方法有很多，主要分为两大类：图示检验法和正式检验法，两者的区别在于判断是否满足比例风险假设的依据。图示检验法是通过观察图形是否满足模型基本假设下的形状来判断数据是否满足比例风险假设，正式检验法则是利用P值来判断假设是否成立。Klein（1997）指出，与正式的比例风险假设检验相比，学者们似乎更喜欢图示检验法，因为COX模型的比例风险假设仅近似满足即可，而任何大样本下的正式检验将拒绝比例性的零假设[30]。本文的训练数据集多达20万，属于基于大样本的研究，因此本文将采用比较COX模型生存曲线与寿命表法生存曲线的图示检验方法进行比例风险假设的检验。

本文基于训练数据集，运用SAS软件，将COX模型生存曲线与寿命表法生存曲线进行比较，结果如图1所示。由图1可以看出，本文利用生存分析法建立的COX模型的生存曲线与寿命表法的生存曲线趋势基本相同，而且无明显交叉点，可以认为满足比例风险的基本假设，建立COX模型是较为合适的。此外，从图中也可以看出，大致从贷款发放的第10个月至第22个月生存曲线愈发陡峭，说明提前偿付的贷款逐步增加，之后，生存曲线渐渐平缓，说明提前偿付的贷款逐步减少。

（2）拟合性检验。Cox-snell残差图可用来检验COX模型的拟合程度，图形的横坐标为Cox残差项，纵坐标为Cox残差的累计危险率估计值。如果建立的COX模型能够拟合训练数据，则图形应大致呈现为经过零点的45°直线。本文运用SAS软件，画出提前偿付风险Cox-snell残差图，结果如图2所示。从图2可以看出，提前偿付风险Cox-snell残差图近似为过零点的45°直线，说明提前偿付风险的COX模型基本拟合建模数据。

5.COX模型预测能力评价

在对COX模型预测能力进行评价之前，首先需要确定一个分界点，若模型估计的风险率大于该分界点，则预测风险事件发生，反之，则预测不发生。本文沿用雷振华和楚攀（2013）[31]的做法，将风险事件实际发生的占比作为该分界点来对COX模型的预测能力进行评价。

本文的研究样本中提前偿付占比为2239%，因此确定提前偿付风险COX模型的分界点为2239%。利用上述已建立的提前偿付风险COX模型对测试样本集进行预测，预测规则为：若提前偿付风险COX模型估计的风险率大于2239%，则预测提前偿付行为发生，反之，则预测提前偿付行为不发生。根据该预测规则，预测结果如表6所示。从表6中可以看出，提前偿付风险COX模型对提前偿付样本的误判率大于非提前偿付样本，总体而言，该模型的预测准确率不错。

五、结论与建议

本文以美国P2P网贷平台Lending Club公司的数据为样本，运用生存分析方法，对P2P网贷的提前偿付风险进行了研究，研究结果以及对我国P2P网贷行业发展的有关政策建议如下：

第一，提前偿付风险不仅受借款人特征、贷款特征等微观因素的影响，还受外部宏观经济环境的影响。我国P2P网贷行业正处于高速发展期，风险较大，相对于风险识别能力有限的投资人来说，P2P网贷平台不仅拥有更加充分的信息，还有更专业的风险管理人员和风险识别与评估的手段，因此P2P网贷平台应利用其比较优势，从微观与宏观两方面，建立科学的贷款质量综合评价指标，多维度评价借款人带来的风险，而不仅限于违约风险，优化P2P网贷基金产品的设计以及价格、收益率的确定。投资人应树立投资风险意识，正确认识提前偿付风險，提前做好资金运用计划，以免借款人的提前偿付行为导致资金闲置，大幅降低投资收益率。

第二，市场利率对提前偿付风险的影响最大，借款人具有理性的还款行为决策。当前，P2P网贷的借贷利率是P2P网贷平台确定的固定利率形式，其不随外部市场利率的变化而变化，当市场利率降低时，二者的利差扩大，促使提前偿付贷款的行为发生。因此，应实现P2P网贷利率的市场化，缩小市场利率与高质量贷款利率的差异，留住信用质量高的借款人，从而降低投资人的利息损失与再投资风险，加大P2P网贷基金产品未来现金流的稳定性。

第三，在贷款发放的第10个月至第22个月，提前偿付行为愈加频繁发生，之后，趋于减少，说明提前偿付行为发生的高峰期出现在贷款中前期。因此，应对提前偿付行为收取合理水平的违约金，并且针对借款人不同时间的提前偿付行为确定差异化的违约金水平。 对于借款人的提前偿付行为适当收取罚金，一方面能给予投资人利息损失的适当补偿，另一方面，在一定程度上能抑制借款人提前偿付行为的发生，加大P2P网贷基金产品未来现金流的稳定性。考虑到借款人在贷款期内不同时间提前偿付贷款，对投资人、P2P网贷基金产品造成的影响不同，应确定差异化的提前偿付违约金水平，切忌“一刀切”。但是，如何确定差异化的提前偿付违约金水平，从而一定程度上抑制借款人的提前偿付行为，却又不会提升贷款的违约率，是一个值得深入研究的课题。

参考文献：

[1]Freedman S.， Jin G.Z. Do Social Networks Solve Information Problems for Peer-to-Peer Lending？ Evidence from Prosper.com[EB/OL].[2008].http：//papers.ssrn.com/ sol3/papers.cfm？abstract_id=1936057.

[2]Krumme K.A.， Herrero S. Lending behavior and community structure in an online peer-to-peer economic network[A].Proceedings of the 2009 International Conference on Computational Science and Engineering[C].Vancouver： Institute of Electrical and Electronics Engineers，2009：613-618.

[3]Lin M.F.，Prabhala N.R.，Viswanathan S. Judging Borrowers by the Company They Keep： Friendship Networks and Information Asymmetry in Online Peer-to-Peer Lending[J].Management Science，2013，1：17-35.

[4]缪莲英，陈金龙.P2P网络借贷中社会资本对违约风险影响研究——以Prosper为例[J].金融论坛，2014（19）：9-15.

[5]Everett Craig R. Group Membership， Relationship Banking and Loan Default Risk： The Case of Online Social Lending[J].Banking and Finance Review，2015，7（2）.

[6]Greiner M.E.， Wang H. The Role of Social Capital in People-to-People Lending Marketplaces[A].International Conference on Information Systems 2009 Proceedings[C].Phoenix： Association for Information Systems，2009.

[7]Seth Freedman， Ginger Zhe Jin. The Signaling Value of Online Social Networks： Lessons from Peer-to-Peer Lending[EB/OL].[2014].http：//ssrn.com/abstract=2380469.

[8]Herzenstein M.，Sonenshein S.， Dholakia U.M. Tell Me a Good Story and I May Lend You My Money： The Role of Narratives in Peer-to-peer Lending Decisions[J].Journal of Marketing Research，2011，48：138-149.

[9]Duarte J.， Siegel S.， Young L. Trust and Credit： the Role of Appearance in Peer-to-peer Lending[J].Review of Financial Studies，2012，8：2455-2484.

[10]Gao Q.， Lin M.F. Lemon or Cherry？ The Value of Texts in Debt Crowdfunding[EB/OL].[2015].http：//papers.ssrn.com/sol3/papers.cfm？abstract_id=2446114.

[11]Puro L.， Teich J.E.， Wallenius H.， Wallenius J. Borrower Decision Aid for people-to-people lending[J].Decision Support System，2010，49：52-60.

[12]王會娟，廖理.中国网络借贷平台信用认证机制研究[J].中国工业经济，2014（4）：136-147.

[13]Andrew H.， Andres L.， Daniel P. Adverse Selection and Maturity Choice in Consumer Credit Markets： Evidence from an Online Lender[EB/OL].[2015].http： //w4.stern.nyu.edu/finance/docs/pdfs/Seminars/1502f-liberman.

[14]Emekter R.，Tu Y.，Jirasakuldech B.， Lu M. Evaluating Credit Risk and Loan Performance in Online Peer-to-Peer（P2P） lending[J].Applied Economics，2015，1：54-70.

[15]廖理，吉霖，张伟强.借贷市场能准确识别学历的价值吗？——来自P2P平台的经验证据[J].金融研究，2015（3）：146-159.

[16]肖曼君，欧缘媛，李颖.我国P2P网络借贷信用风险影响因素研究——基于排序选择模型的实证分析[J].财经理论与实践，2015（1）：2-6.

[17]Malekipirbazari M.， Aksakalli Vural. Risk assessment in social lending via random forests[J].Expert Systems with Applications， 2015，42：4621-4631.

[18]Danis M.A.， Pennington-Cross A. The delinquency of subprime mortgages[J].Journal of Economics and Business，2008（1-2）：67-90.

[19]Tsai M.S.， Liao S.L.，Chiang S.L. Analyzing yield， duration and convexity of mortgage loans under prepayment and default risks[J]. Journal of Housing Economics，2009，6：92-103.

[20]Varli Y.， Yildirim Y. Default and prepayment modelling in participating mortgages[J].Journal of Banking & Finance，2015，61： 81-88.

[21]Deng Y.， Quigley J.M. Woodhead Behavior and the Pricing of Residential Mortgages[EB/OL].[2012].http：//papers.ssrn.com/sol3/papers.cfm？abstract_id=288694.

[22]Steinbuks J. Effects of prepayment regulations on termination of subprime mortgages[J].Journal of Banking & Finance，2015，59：445-456.

[23]傅强，张宜松.住房购买者偿还银行的博弈分析[J].重庆大学学报，2004（6）：133-136.

[24]陈颖，屠梅曾.住房抵押贷款偿还过程中的博弈分析[J].哈尔濱工业大学学报，2007（8）：1341-1344.

[25]丁正斌.住房按揭贷款提前还款风险预警实证研究[J].金融理论与实践，2012（6）：44-48.

[26]马钦玉.某市个人住房抵押贷款提前还款风险因素实证研究[J].当代经济，2015（29）：138-139.

[27]Tiwari P.Mortgage termination due to prepayments in India[J].Applied Economics Letters，2000，7：623-628.

[28]Ho K.H.， Su H. Structural prepayment risk behavior of the underlying mortgages for residential mortgage life insurance in a developing market [J].Journal of housing economics，2006，9：257-278.

[29]蔡明超，费一文.商业银行消费信贷中的提前偿还风险影响因素与风险管理——理论与实证[J].金融研究，2007（7）：25-35.

[30]John P. Klein， Melvin L. Moesehberger. Survival analysis techniques for Censored and truneated data[M].Springer，1997.

[31]雷振华，楚攀.基于Cox模型的财务风险预警实证研究——以1990-2012年信息技术类上市公司数据为例[J].湖南社会科学，2013（6）：164-167.

（责任编辑：张曦）